Functional Neurological Disorder: Historical Trends and Urgent Directions
Notice bibliographique
Résumé
The objective was to identify the gaps in understanding and management of functional neurological disorders (FNDs) that could be negatively impacting its incidence, prevalence, prognosis, and preventive tools. A narrative review was performed to synthetize evidence from multiple fields including genetic, epidemiological, functional neuroimaging and clinical studies, paying close attention to FND historical trends and recurring themes in nomenclature, classification, epidemiology, therapeutic tools, outcomes, prognosis, and pathophysiology. References included in this review were sourced from PubMed, covering January 1, 2000 to June 30, 2022, and from the references of relevant articles. Multiple problems associated with the current status of approach and management of FNDs were identified, including six major knowledge gaps. To overcome such shortfalls, we recommend the collaborative creation of a multi-network management algorithm that integrates all pathophysiological mechanisms involved in FND onset and perpetuation. It is hoped that an integrative model will facilitate the development of a biographically focused, biopsychosocial-spiritual management and preventive protocol, which incorporates key concepts and skills from the fields of neurology, psychiatry, psychology, and physiotherapy. Such comprehensive and concise protocol could be distributed through upskill programs across several medical specialties. Multidisciplinary collaboration is needed to fill current knowledge gaps, with multispecialty teams helping to overcome the deficits in outcomes and prognosis still affecting FND, one of the commonest and most expensive neurological disorders currently affecting humankind. J Neurol Res. 2023;13(1):12-32 doi: https://doi.org/10.14740/jnr754
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».